第2章传感器基础

2. 传感器基础：摄像头、激光雷达、毫米波雷达在道路感知中的作用与数据特点

做自动驾驶感知这几年，我最大的体会就是：没有一种传感器是万能的。摄像头、激光雷达、毫米波雷达，这三兄弟各有各的脾气。你想想看，要让车在复杂的道路上安全行驶，光靠一双“眼睛”肯定不够，得让它们互相配合。

这一章，我就带你把这三种传感器的底细摸清楚。咱们不聊虚的，直接看它们在道路边界检测和可行驶区域计算中，到底扮演什么角色，数据长什么样。

摄像头说白了就是给车装了一双“眼睛”。它通过镜头捕捉光线，在感光元件上成像。我个人习惯把摄像头比作“画家”——它能把三维世界投影到二维平面上，画出色彩丰富的画面。

车道线检测：这是摄像头的看家本领。通过图像中的颜色和边缘信息，能准确识别白色、黄色的车道线。我在项目中遇到过雨天反光的情况，车道线被水渍干扰，后来加了多帧融合才稳住。
交通标志识别：限速牌、停止标志，这些全靠摄像头。因为只有它才能“看懂”文字和符号。
可行驶区域语义分割：把图像中的每个像素分类——这是路面、这是路肩、这是行人。说白了就是给图像“上色”，告诉车哪里能走。

特性	说明
分辨率高	动辄几百万像素，细节丰富。能看清路面的裂缝、标线的磨损。
色彩信息	RGB三通道，能区分红绿灯、不同颜色的路面标记。
帧率适中	通常30fps左右，对动态场景响应够用。
缺乏深度	这是硬伤。单目摄像头无法直接知道物体离你多远，得靠算法估算。
受光照影响大	强光、逆光、夜间、隧道出入口，这些场景下性能会明显下降。

⚠️ 避坑指南
我曾经在夜间测试时吃过亏。摄像头在低光照下，车道线检测的置信度会暴跌。后来我养成了一个习惯：永远不要只依赖摄像头做边界检测，尤其是在光线变化剧烈的场景。

激光雷达，我更喜欢叫它“激光尺子”。它通过发射激光束，测量反射回来的时间，精确计算距离。嗯，这里要注意：激光雷达不关心颜色，它只关心“这里有没有东西”以及“东西离我多远”。

特性	说明
三维点云	每个点包含(x, y, z)坐标，有些还包含反射强度信息。
精度高	测距误差通常在2cm以内，远优于摄像头和毫米波雷达。
不受光照影响	白天黑夜都能稳定工作，这是它最大的优势。
数据稀疏	相比图像，点云是稀疏的。比如64线激光雷达，一帧也就几十万个点，而图像是几百万像素。
成本高	这是老生常谈了。不过现在固态激光雷达价格在下降，未来可期。

  💡 我的经验

  在做可行驶区域计算时，我习惯把激光雷达的点云投影到地面网格上。每个网格统计点云的高度方差——方差小的就是路面，方差大的就是障碍物。这个方法简单粗暴，但非常有效。

毫米波雷达，你可以把它想象成蝙蝠的“回声定位”。它发射毫米波段的电磁波，通过多普勒效应测量物体的速度和距离。说白了，它是个“速度狂魔”——对运动物体特别敏感。

特性	说明
角度分辨率低	这是它的短板。传统毫米波雷达很难区分两个并排的物体，比如路边的行人和护栏。
无高度信息	它只能告诉你“前方有物体”，但不知道这个物体是在地面上还是悬在空中。
点云稀疏且噪声大	相比激光雷达，毫米波雷达的点云非常稀疏，而且有很多虚假目标（鬼影）。
穿透性强	能穿透塑料、木材等非金属材料。比如可以检测到藏在纸箱后面的人。

🔧 实用技巧
我建议在做传感器融合时，用毫米波雷达的“速度”信息来辅助摄像头和激光雷达。比如，摄像头检测到一个目标，但不确定它是静止的还是运动的。这时候查一下毫米波雷达的数据，如果它有速度，那基本可以确认是动态障碍物。

你想想看，这三种传感器各有各的“特长”，也各有各的“短板”。摄像头看得清但测不准距离，激光雷达测得准但成本高，毫米波雷达全天候但分辨率低。怎么让它们取长补短？

我个人习惯用这样的融合策略：

道路边界检测：以激光雷达为主，摄像头为辅。激光雷达给出精确的边界位置，摄像头提供语义信息（比如这是路沿还是护栏）。
可行驶区域计算：摄像头做语义分割，给出“哪里是路面”的初步判断。激光雷达做地面拟合，验证这些区域是否真的平坦可通行。毫米波雷达负责检测远处的动态障碍物，提前预警。
目标跟踪：毫米波雷达提供速度和距离，摄像头提供类别和外观，激光雷达提供精确的轮廓和位置。

  📌 核心要点

  没有完美的传感器，只有完美的融合方案。做道路感知，我的原则是：冗余设计，交叉验证。任何一个传感器的输出，都要有其他传感器的数据做支撑。这样即使某个传感器失效，系统也能降级运行。

好了，这一章的内容就到这里。下一章我们会深入聊一聊数据预处理——拿到这些传感器的原始数据后，怎么清洗、对齐、融合，才能让它们真正为感知算法服务。